复旦大学迟楠教授课题组:机器学习在可见光通信系统中的应用研究

邹鹏,赵一衡,胡昉辰,迟楠. 基于机器学习的可见光通信信号处理研究现状[J]. 激光与光电子学进展, 2020, 57(1): 010001.

新的通信技术——可见光通信,以其“灯光上网”的通俗化描述,迅速吸睛无数。让人实现坐在自家客厅柔和的灯光下,就能体验到没有电磁辐射的“网上高速冲浪”“超高清视频”以及“虚拟现实游戏”。

可见光通信(Visible Light Communication)是以LED作为载体,通过光电探测器,后端处理电路以及数字信号处理技术实现的一种新型的通信手段。

在我们常用的无线网络通信中,人们利用接收到的电磁波的强度和相位变化可以用来传递不同的信息。与之类似,只要我们改变LED灯闪烁的快慢和明暗程度也可以传递信息,在接收信号的地方只需要通过特殊的接收设备和数字信号处理技术就可以将需要传递的信息恢复出来。

虽然VLC拥有诸多的优点,但是其信道衰减强,非线性效应明显,带宽受限等问题对可见光通信系统有着巨大的影响。传统的信号均衡算法对于较强的非线性问题,其作用比较有限。因此,引入机器学习来解决VLC中的非线性问题就成为了一个重要的研究方向。

复旦大学迟楠教授课题组针对机器学习在可见光通信系统中的应用做了深入研究。对于可见光通信中星座点失配的问题,该课题组提出使用K-means聚类算法产生聚类感知边界来改变信号的判决边界。通过在发射端使用该算法进行预均衡,该课题组在5个带的无载波幅相调制系统(CAP)中实现了50%以上的误码率性能提升。


图 1 K-means预均衡示意图

在非线性较强的情况下,可见光通信系统还存在严重的相偏情况,然而传统的恒模算法(CMA)对于频偏和相偏并不敏感。如果仍然采用CMA等算法将会直接导致星座点的误判。该课题组采用支持向量机(SVM)对相位进行估计和纠正,使得误码率下降了一个量级。


图 2 SVM相位纠偏效果

深度神经网络(DNN)已被证明可以很好的拟合各种非线性关系。利用这一优势,该课题组将深度神经网络作为后均衡器,对信号进行补偿。与传统DNN不同,该课题组通过修改核函数,使得迭代次数减少了47.06%并大幅度提升了可见光通信系统的性能。


图 3 DNN结构图

由于机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然拥有巨大的研究价值。复旦大学迟楠教授课题组发表在《激光与光电子学进展》第57卷第1期的文章“基于机器学习的可见光通信信号处理研究现状”介绍几种传统的和基于神经网络的机器学习算法,并对其在可见光通信信号处理领域的应用进行了分析与总结,为机器学习解决可见光通信方面的各种非线性问题提供参考,详细内容点击查看